agent 的「記憶」一題，同週出現兩層答案：存哪裡，與何時讀寫。

本篇出自 2026年7月18日 晨報

Oracle 07-14 以 13 人技術報告把 agent 記憶做成資料庫原生的基底層：記憶被當成完整的生命週期來管理，涵蓋抽取、整併、檢索與修剪，自報在長期記憶評測 LongMemEval 拿 93.8%、比「把整段歷史全塞給模型」省約 10.7 倍 token(arXiv,07-14)；UCLA 系團隊 07-15 提出一套叫 MemCon 的方法，指出現有系統「何時讀、何時寫」幾乎全靠手寫死規則，他們讓這個決策本身變成線上學習的策略，自報成功率最高提升 15.2 個百分點，這是 6 個評測、3 種 agent 框架、3 種模型骨幹的組合裡的最佳值，不是平均(arXiv,07-15)。兩篇皆團隊自報、無第三方複現。給搭 agent 平台的人一個拆法：「存哪裡」與「誰決定何時讀寫」是兩個獨立決策，前者資料庫大廠剛下場，後者剛開始有可調空間。

同類最新

• 模型觀點 2026年7月27日 2 條來源

  Stanford 平攤評測法找到獨立第二證

  Stanford 的「平攤評測法」——用「從題目內容預測難度」壓低可靠評測的成本——今天完成定向查證,找到獨立第二證:ICML 2026 一篇論文用同路線做模型能力外推(scali…

• 模型觀點 2026年7月27日 1 條來源

  Lambert「美版 DeepSeek」宣言查無第二源

  Lambert 一年前的「美版 DeepSeek」宣言——2 年、1 到 5 億美元做出權重（模型訓練完的參數檔案）／數據／代碼全開放的前沿模型——本報完成定向查證:專案存在有媒體…

• 模型觀點 2026年7月26日 1 條來源

  為什麼模型愈練愈會解題、卻愈寫愈不像人？MIT 給了一個機制答案，也剛好解釋了人類專家資料為什麼還缺。

  目前後訓練（模型練完基礎能力後、再教它怎麼答題的階段）的主力方法 RLVR（可驗證獎勵的強化學習：只在數學、程式這類有標準答案的任務上給模型獎勵）有個結構性盲點：它只優化「可以客觀…

• 模型觀點 2026年7月25日 1 條來源

  「AI 寫底層程式」的真瓶頸換位置了：生成是易事，讓人敢信那個數字才難。

  SemiAnalysis 在同篇 AMD 實勘裡給出一組第一手工程觀察：2.5 名工程師配上 AI 編程代理，就能完成過去一整組人才做得完的新模型「發布日支援」：代理自動抓設定、跑…